Pooling CNN (Caltech 101)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- University of Bonn
- Tipo de Organización
- Academia
- País
- Germany
- Publicado
- 15 September 2010
- Autores
- Dominik Scherer, Andreas C. Müller, Sven Behnke
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Image classification
- Enfoque
- Supervised
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 294.9K
- Datos de entrenamiento
- 3,060 tokens
- Épocas
- 300
C1: 3*16*16*16=12288 C3: 16*128*6*6=73728 F5: 128*4*4*102=208896 Total: 12288+73728+208896=294912
30 * 102 = 3060
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 1.2 × 10¹⁵ FLOP
- Cómo se estableció
- Operation counting
Forward FLOP C1: 2*3*16*16*16*125*125=384000000 C3: 2*16*128*6*6*20*20=58982400 F5: 2*128*4*4*102=417792 Total: 384000000+58982400+417792=443400192 300 epochs 30*102=3060 training examples 443400192*3*3060*300=1221124128768000=1.2e15
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- Historical significance,Highly cited,SOTA improvement
- Confianza de registro
- Confident
"we achieve state-of-the-art error rates of 4.57% on the NORB normalized-uniform dataset and 5.6% on the NORB jittered-cluttered dataset."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Evaluation of Pooling Operations in Convolutional Architectures for Object Recognition
- Última actualización
- 11 February 2026
Qué significan los números
Qué es este modelo
Pooling CNN (Caltech 101) fue publicado por University of Bonn, en el país registrado como Germany, durante September 2010. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 1.2 × 10¹⁵ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 3,060 tokens de texto
Su criterio de inclusión: historical significance,Highly cited,SOTA improvement.
Respuestas
Pooling CNN (Caltech 101) — preguntas comunes
Pooling CNN (Caltech 101)— ¿cuándo fue lanzado?
Se publicó en September 2010. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Pooling CNN (Caltech 101)— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Pooling CNN (Caltech 101)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.2 × 10¹⁵ FLOP. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Pooling CNN (Caltech 101)— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Pooling CNN (Caltech 101)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Pooling CNN (Caltech 101)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 294.9K. C1: 3*16*16*16=12288 C3: 16*128*6*6=73728 F5: 128*4*4*102=208896 Total: 12288+73728+208896=294912. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
Pooling CNN (Caltech 101)— ¿Quién lo creó?
Fue publicado por University of Bonn, basado en Germany, una organización categorizada como academia.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.